Amazon MLS-C01: Modellierung – Überwachtes & Unüberwachtes (Klassisches ML) — Lernleitfaden

By Laurynas Brazys · 26 July 2026 · #amazon #mls-c01 #certification #exam-prep #study-guide

Teil des AWS Machine Learning Specialty MLS-C01 — Lernleitfaden. Üben Sie mit verifizierten Antworten im Amazon-Prüfungscenter, oder absolvieren Sie zeitlich begrenzte Übungstests auf ExamRoll.io.

Modellauswahl & Architektur für überwachte Probleme

Die Auswahl eines Modells beginnt mit der Form der Daten und den Produktionsanforderungen. Für lineare Signale mit vielen Beispielen und interpretierbaren Koeffizienten ist eine regularisierte lineare oder logistische Regression (SageMaker LinearLearner oder scikit-learn ElasticNet) schnell und liefert Koeffizienten, die Sie überprüfen können. Wenn nichtlineare Interaktionen dominieren, erfassen Baum-Ensembles wie XGBoost (SageMaker XGBoost-Container) oder LightGBM die Heterogenität ohne aufwendiges Feature-Scaling; passen Sie eta (learning_rate), max_depth, subsample, colsample_bytree und die Regularisierungsparameter alpha/lambda an, um Overfitting zu kontrollieren. SVMs können bei kleinen bis mittelgroßen, gut skalierten Feature-Sets effektiv sein, erfordern aber typischerweise benutzerdefinierte Container oder den scikit-learn ScriptMode in SageMaker, da große Datensätze kostenintensiv sind; denken Sie daran, die Features zu standardisieren und den Kernel/die Regularisierung (C, gamma) sorgfältig auszuwählen. Naive Bayes ist eine schnelle Baseline für hochdimensionale, dünn besetzte (sparse) kategoriale/Text-Eingaben; es geht von bedingter Unabhängigkeit aus und versagt bei starken Korrelationen. Bei Tausenden von Features oder sehr großen Datensätzen verwenden Sie Dimensionsreduktion (PCA) oder Feature-Hashing und bevorzugen Sie verteiltes Training auf ml.c5- oder ml.p3-Instanzen, wenn Sie GPU-basierte Deep Nets einsetzen. Stellen Sie die Modelle mit SageMaker-Endpunkten für Echtzeit-Inferenz oder mit Batch Transform für Massenvorhersagen bereit; verwenden Sie Multi-Model Endpoints, wenn Sie viele Modelle verwalten, um die Kosten zu senken.

Metriken, Imbalance, Kalibrierung und Trade-offs bei der Bereitstellung

Genauigkeit (Accuracy) ist verlockend, aber bei unausgeglichenen (imbalanced) Problemen irreführend; bevorzugen Sie klassensensitive Metriken wie Precision, Recall, F1, ROC AUC für eine ausgewogene Klassenbetonung und PR AUC, wenn die positive Klasse selten ist. Wenn Sie Wahrscheinlichkeiten ausgeben, überprüfen Sie die Kalibrierung mit Zuverlässigkeitsdiagrammen (Reliability Diagrams) und dem Brier-Score; verwenden Sie Platt-Skalierung oder isotonische Kalibrierung, die offline implementiert wird (scikit-learn CalibratedClassifierCV), oder kalibrieren Sie innerhalb des SageMaker-Trainings, indem Sie Roh-Scores ausgeben und einen Nachverarbeitungsschritt anwenden. Um mit Klassen-Ungleichgewicht (Class Imbalance) umzugehen, bevorzugen Sie Sample Weighting (unterstützt in SageMaker LinearLearner und vielen Trainingsskripten), gezieltes Oversampling (SMOTE) oder Undersampling während des Trainings sowie Loss Re-weighting oder Focal Loss für neuronale Netze. Für die Bewertung von Betrugswahrscheinlichkeiten in nahezu Echtzeit optimieren Sie die Modelllatenz, indem Sie einen Instanztyp mit geringer Inferenzlatenz (ml.m5.large oder CPU-optimierte Instanzen) verwenden, die Modelle kompakt halten (Pruning oder destillierte Modelle) und Multi-Model Endpoints oder A/B-Traffic-Shifting über SageMaker-Endpunkte nutzen, um Updates sicher auszurollen. Überwachen Sie Produktions-Drift und Datenqualität mit SageMaker Model Monitor und automatisieren Sie die Protokollierung von Metriken in CloudWatch.

Feature Engineering, Multikollinearität und Regularisierung

Multikollinearität erhöht die Varianz der Koeffizientenschätzungen in linearen Modellen; erkennen Sie sie mit dem Varianzinflationsfaktor (VIF) und der paarweisen Pearson-Korrelation und entschärfen Sie sie durch das Entfernen redundanter Features oder durch Dimensionsreduktion (PCA, SVD). Regularisierung ist eine prinzipienbasierte Abhilfe: L2 (Ridge) schrumpft die Koeffizienten, L1 (Lasso) führt zu Sparsity für die Feature-Selektion und ElasticNet kombiniert beides – diese sind in scikit-learn und SageMaker LinearLearner verfügbar. Wenden Sie bei stark schiefverteilten numerischen Features Logarithmus- oder Box-Cox-Transformationen an, um die Varianz zu stabilisieren und die Anpassung linearer Modelle zu verbessern; denken Sie daran, dass Baum-Ensembles robust gegenüber monotonen Transformationen sind, während SVMs und neuronale Netze für ein stabiles Training standardisierte Eingaben (StandardScaler) benötigen. Kategoriale Features mit hoher Kardinalität profitieren von Target Encoding, Embeddings oder Hashing; wenn Target Encoding verwendet wird, vermeiden Sie Leakage, indem Sie die Encodings innerhalb der Cross-Validation-Folds berechnen oder ein separates Holdout-Set verwenden. Verwenden Sie den SageMaker Feature Store, um konsistente Feature-Transformationen sowohl für das Training als auch für die Inferenz zu zentralisieren und bereitzustellen. Persistieren Sie den Vorverarbeitungscode mit Modellpaketen oder Docker-Images, damit die Transformationen in der Produktion mit denen im Training übereinstimmen.

Unüberwachte Methoden, Clustering, Anomalieerkennung und Interpretierbarkeit

Clustering und Anomalieerkennung sind explorative Werkzeuge und Vorverarbeitungsschritte für das überwachte Modellieren. K-Means (SageMaker k-means) ist schnell, setzt aber sphärische Cluster voraus und erfordert skalierte Features. Wählen Sie k vorsichtig anhand von Silhouette-Scores oder Elbow-Plots, da die Trägheit (Inertia) mehrdeutig sein kann. Dichtebasierte Methoden (DBSCAN) und hierarchisches Clustering erfassen auch nicht-sphärische Strukturen, sind aber rechenintensiver. Für die Anomalieerkennung im großen Maßstab sollten Sie SageMaker Random Cut Forest für Streaming-Sensordaten und Kinesis/Lambda-Pipelines für die Bewertung in nahezu Echtzeit in Betracht ziehen. Passen Sie die Anzahl der Bäume (tree count) und die Stichprobengröße (sample size) an, um die Sensitivität zu steuern. Werkzeuge zur Interpretierbarkeit sind entscheidend: Nutzen Sie die modell-native Feature Importance für Baummodelle und SHAP-Werte (SageMaker Clarify oder das SHAP-Paket) für lokale Erklärungen und globale Zusammenfassungen der Effekte. Hüten Sie sich vor häufigen Fallstricken: Temporal Leakage bei der zufälligen Aufteilung von zeitlich geordneten Daten, übermäßiges Vertrauen auf die Genauigkeit (Accuracy) bei unausgeglichenen Datensätzen (imbalanced settings) und die Annahme der Unabhängigkeit bei Naive Bayes. Für das Deployment verpacken Sie bei Bedarf benutzerdefinierte Algorithmen in Docker, stellen Sie Vorhersage- und Health-Endpunkte bereit und orchestrieren Sie Canary-Rollouts durch Aufteilung des Traffics am Endpunkt (Endpoint Traffic-Splitting).

Praxisproblem: FleetSight Logistics – Exploratives ML mit LKW-Bildern

Szenario: FleetSight sammelt täglich ca. 100 GB an LKW-Bildern, die in S3 gespeichert werden, und nutzt SageMaker Studio für Experimente sowie SageMaker Ground Truth für die Bildkennzeichnung. Das Unternehmen benötigt schlanke ML-Funktionen zur Fehlererkennung mit der Absicht, diese später zu skalieren.

Herausforderung: Identifizieren Sie realisierbare überwachte/unüberwachte Anwendungsfälle und eine kostengünstige Pipeline für das Training erster Modelle mit begrenzten Labels sowie für die Inferenz in nahezu Echtzeit für Warnmeldungen.

Empfohlener Ansatz:

1. Verwenden Sie SageMaker Ground Truth mit Active Learning, um einen initialen Datensatz (Seed Set) zu labeln. Speichern Sie die gelabelten Daten in S3 und registrieren Sie die Features im SageMaker Feature Store.
2. Beginnen Sie mit unüberwachter Anomalieerkennung mittels SageMaker Random Cut Forest auf von Bildern abgeleiteten Sensormetadaten und einfachen Image Embeddings (extrahieren Sie die Embeddings mit einem vortrainierten CNN in einem SageMaker Notebook auf einer GPU-Instanz vom Typ ml.p3.2xlarge).
3. Trainieren Sie einen schlanken, überwachten Klassifikator mittels Transfer Learning (integrierter SageMaker-Container für TensorFlow oder PyTorch) auf der gelabelten Teilmenge. Für schnelle Baselines extrahieren Sie Embeddings und trainieren ein XGBoost-Modell (SageMaker XGBoost) auf CPU-Instanzen.
4. Stellen Sie das XGBoost-Modell auf einem SageMaker-Endpunkt mit asynchroner Inferenz (Async Inference) oder einem Multi-Model Endpoint zur Kosteneffizienz bereit. Überwachen Sie Eingaben und Vorhersagen mit SageMaker Model Monitor und iterieren Sie die Kennzeichnung über Ground Truth.

Begründung: Nutzen Sie unüberwachtes Embedding in Kombination mit Random Cut Forest, um Anomaliekandidaten ohne viele Labels zu finden. Starten Sie anschließend überwachte Modelle mittels Transfer Learning und XGBoost für eine kompakte, schnelle Inferenz. Die SageMaker-Dienste bieten einen integrierten, skalierbaren Workflow für Entwicklung und Überwachung.

← Explorative Datenanalyse · Alle Domänen · Deep Learning →

Diese Fragen üben → · Zeitlich begrenzte Übung auf ExamRoll.io →

Amazon durchsuchen →